Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 2

Feature Contribution to an In-Depth Understanding of the Machine Learning Model Interpretation

Funkcja przyczyniająca się do dogłębnego zrozumienia interpretacji modelu uczenia maszynowego

10.15199/48.2024.02.29

nr katalogowy: 147347
10.15199/48.2024.02.29

Streszczenie

A transparent and understandable machine learning model refers to a model that is accurate, effective, explainable, and interpretable to humans. An interpretable model reduces the gap between complex algorithms and human understanding, allowing users to trust and comprehend the process of the model's decision-making. To that end, Machine-learning models can provide information about the importance of each input feature in making predictions. Model interpretation helps users understand the factors that have the most significant impact on the model's decisions. This study implements feature importance-based model interpretation by employing a heart disease dataset. The simulation result demonstrates that with feature importance analysis, the decision-making process of the extra tree classification algorithm is easily explainable.

Abstract

Przejrzysty i zrozumiały model uczenia maszynowego odnosi się do modelu, który jest dokładny, skuteczny, zrozumiały i możliwy do interpretacji przez ludzi. Interpretowalny model zmniejsza lukę między złożonymi algorytmami a ludzkim zrozumieniem, pozwalając użytkownikom zaufać i zrozumieć proces podejmowania decyzji w modelu. W tym celu modele uczenia maszynowego mogą dostarczać informacji o znaczeniu każdej cechy wejściowej w tworzeniu prognoz. Interpretacja modelu pomaga użytkownikom zrozumieć czynniki, które mają największy wpływ na decyzje modelu. W tym badaniu zastosowano interpretację modelu opartą na ważności funkcji, wykorzystując zestaw danych dotyczących chorób serca. Wynik symulacji pokazuje, że dzięki analizie ważności cech proces decyzyjny algorytmu klasyfikacji dodatkowego drzewa jest łatwy do wyjaśnienia

Słowa kluczowe

Keywords

Bibliografia

[1] K.N. Kunze, A.V. Karhade, A.J. Sadauskas, J.H. Schwab, and B.R. Levine, " Development of Machine Learning Algorithms to Predict Clinically Meaningful Improvement for the PatientReported Health State After Total Hip Arthroplasty," The Journal of Arthroplasty, 2020. DOI: https://doi.org/10.1016/j.arth.2020.03.019.
[2] B. Kailkhura, B. Gallagher, S. Kim, A. Hiszpanski, and T. Y. Han, “Reliable and explainable machine-learning methods for accelerated material discovery,” Computational Materials, 2019, DOI: https://doi.org/10.1038/s41524-019-0248-2.
[3] L. a Kohoutová et al., “Toward a unified framework for interpreting machine-learning models in neuroimaging,” Nature Protocols, 2020, DOI: https://doi.org/10.1038/s41596-019- 0289-5.
[4] T.A. Assegie, A.O. Salau, C.O. Omeje, and S.L. Braide, “Multivariate sample similarity measure for feature selection with a resemblance model,” International Journal of Electrical and Computer Engineering, vol. 13, no. 3, 2023, pp. 3359- 3366, DOI: 10.11591/ijece.v13i3.pp3359-3366
[5] G. Stiglic, P. Kocbek, N. Fijacko, M. Zitnik, K. Verbert, and L. Cilar, “Interpretability of machine learning-based prediction models in healthcare,” Advanced Review Willey, 2020, DOI: 10.1002/widm.1379
[6] Z. Li et al., “Extracting spatial effects from machine learning model using local interpretation method: An example of SHAP and XGBoost,” Computers, Environment and Urban Systems, 2022, DOI: https://doi.org/10.1016/j.compenvurbsys.2022.101845
[7] A. Chatzimparmpas, R.M. Martins, L. Jusufi, and A. Kerren, “A survey of surveys on the use of visualization for interpreting machine learning models,” Information Visualization 2020, Vol. 19(3) 207–233, DOI: https://doi.dox.org/10.1177/1473871617751245.
[8] B. Kailkhura, B. Gallagher, S. Kim, A. Hiszpanski, and T. Y. Han, “Hybrid Feature Selection Algorithm and Ensemble Stacking for Heart Disease Prediction,” International Journal of Advanced Computer Science and Applications, Vol. 14, No. 2, 2023.
[9] J. Zacharias, M. Zahn, J. Chen, and O. Hinz, “Designing a feature selection method based on explainable artificial intelligence Electronic Markets, 2022, 32:2159–2184 DOI: https://doi.org/10.1007/s12525-022-00608-1.
[10] Q. Qiao, A.Y. Kaltungo, and R.E. Edwards, “Developing a machine learning based building energy consumption prediction approach using limited data: Boruta feature selection and empirical mode decomposition,” Enegery Reports, 2023, DOI: https://doi.org/10.1016/j.egyr.2023.02.046.
[11] H. Salah, and S. Srinivas, “Explainable machine learning framework for predicting long-term cardiovascular disease risk among adolescents,” Scientific Reports (2022) 12:21905, DOI: https://doi.org/10.1038/s41598-022-25933-5.
[12] N.I. Papandrianos et al., “An Explainable Classification Method of SPECT Myocardial Perfusion Images in Nuclear Cardiology Using Deep Learning and Grad-CAM,” Applied Science, 2022, 12, 7592. DOI: https://doi.org/ 10.3390/app12157592.
[13] B. Kailkhura, B. Gallagher, S. Kim, A. Hiszpanski, and T. Y. Han, “Explainable Information Retrieval using Deep Learning for Medical images,” Computer Science and Information Systems, 2019, DOI: https://doi.org/10.2298/CSIS201030049S.
[14] R.K. Sheu, and M.S.l Pardesh, “A Survey on Medical Explainable AI (XAI): Recent Progress, Explainability Approach, Human Interaction and Scoring System,” Sensors 2022, 22, 8068, DOI: https://doi.org/10.3390/ s22208068.
[15] G. Abdulsalam, S. Meshoul2, and H. Shaiba, “Explainable Heart Disease Prediction Using Ensemble-Quantum Machine Learning Approach,” Intelligent Automation & Soft Computing DOI: 10.32604/iasc.2023.032262.
[16] P. Guleria et al., “XAI Framework for Cardiovascular Disease Prediction Using Classification Techniques,” International Journal of Advanced Computer Science and Applications, Vol. 14, No. 2, 202Electronics 2022, 11, 4086, DOI: https:// doi.org/10.3390/electronics112440863.
[17] A. Pedro, and M. Sanchez, “Development of an Explainable Prediction Model of Heart Failure Survival by Using Ensemble Trees,” IEEE, 2020, DOI: 10.1109/BigData50022.2020.9378460.
[18] A.O. Salau, E.D. Markus, T.A. Assegie, C.O. Omeje, and J. N. Eneh, “Influence of Class Imbalance and Resampling on Classification Accuracy of Chronic Kidney Disease Detection,” Mathematical Modelling of Engineering Problems, vol. 10, no. 1, February, 2023, pp. 48-54, DOI: https://doi.org/10.18280/mmep.100106.
[19] T.A. Assegie, “Evaluation of Local Interpretable ModelAgnostic Explanation and Shapley Additive Explanation for Chronic Heart Disease Detection,” Proceedings of Engineering and Technology Innovation, vol. 23, 2023, pp. 48-59, DOI: https://doi.org/10.46604/peti.2023.10101.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-2 , nr katalogowy 147347 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-2 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-2

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma